Journal of Zhejiang University

Current Issue: <FITEE>

Frontiers of Information Technology & Electronic Engineering (former title: Journal of Zhejiang University SCIENCE C (Computers & Electronics), 2010-2014)

ISSN 2095-9184 (print); ISSN 2095-9230 (online); CN 33-1389/TP; Monthly.

FITEE is an international peer-reviewed journal indexed by SCI-E, Ei Compendex, DBLP, IC, Scopus, JST, CSA, etc. It covers research in Electrical and Electronic Engineering, including Computer Science, Information Sciences, Control, Automation, Telecommunications, and related disciplines.

Impact factor: 0.308 (2011), 0.297 (2012), 0.380 (2013), 0.415 (2014), 0.392 (2015), 0.622 (2016), 0.910 (2017), 1.033 (2018), 1.604 (2019), 2.161 (2020), 2.526 (2021).

Frontiers of Information Technology & Electronic Engineering

ISSN 2095-9184 (print), ISSN 2095-9230 (online), monthly

2020 Vol.21 No.7 P.963-1118

Cover:

<593>

Contents:

<555>

<<< CONTENTS >>>

Research Articles

DAN: a deep association neural network approach for personalization recommendation

Xu-na Wang, Qing-mei Tan

DOI: 10.1631/FITEE.1900236 Downloaded: 3716 Clicked: 5963 Cited: 0 Commented: 0(p.963-980) <Full Text> <PPT> 1457

Chinese summary <24> DAN：一(yī)種用于個性化推薦的深度聯合神經網絡

王旭娜，譚清美
南(nán)京航空航天大(dà)學經濟與管理學院，中(zhōng)國南(nán)京市，211106

摘要：傳統推薦系統采用的協同過濾技術存在數據稀疏問題，同時傳統的矩陣分(fēn)解算法簡單地将用戶和項目分(fēn)解爲潛在因素的線性模型，這些局限性導緻傳統推薦算法推薦效果有限。在此情況下(xià)，出現了基于深度學習的推薦系統。當前深度學習推薦大(dà)多利用深度神經網絡針對一(yī)些輔助信息建模，且在建模過程中(zhōng)根據輸入數據類别，分(fēn)别采用多條映射通路，将原始輸入數據映射到潛在向量空間。然而，這些深度神經網絡推薦算法忽略了不同類别數據間的聯合作用可能對推薦效果産生(shēng)的潛在影響。針對這一(yī)問題，本文提出一(yī)種基于多類别信息聯合作用的前饋深度神經網絡推薦方法--深度聯合網絡，以解決隐性反饋的推薦問題。具體(tǐ)來說，一(yī)方面，本文研究在模型的底層輸入中(zhōng)不僅包含用戶和項目信息，而且包含更多輔助信息。另一(yī)方面，充分(fēn)考慮不同類别信息的聯合作用對推薦效果的影響。在公開(kāi)數據集上的實驗表明，我(wǒ)們提出的方法對現有方法有顯著改進。經驗證據表明，使用深度聯合推薦可以提供更好推薦性能。

關鍵詞組：神經網絡；深度學習；DAN；推薦

A knowledge matching approach based on multi-classification radial basis function neural network for knowledge push system

Shu-you Zhang, Ye Gu, Guo-dong Yi, Zi-li Wang

DOI: 10.1631/FITEE.1900057 Downloaded: 3876 Clicked: 6407 Cited: 0 Commented: 0(p.981-994) <Full Text> <PPT> 1554

Chinese summary <26> 知(zhī)識推送系統中(zhōng)一(yī)種基于多分(fēn)類徑向基神經網絡的知(zhī)識匹配方法

張樹(shù)有，顧葉，伊國棟，王自立
浙江大(dà)學流體(tǐ)動力與機電系統國家重點實驗室，中(zhōng)國杭州市，310027

摘要：聚焦知(zhī)識匹配領域，開(kāi)展提高産品設計中(zhōng)知(zhī)識推送系統性能的探索性研究。傳統匹配算法需重複計算，導緻響應時間長，準确性也有待提高。本文目标是實現對設計者知(zhī)識需求的快速響應，并提供優質知(zhī)識推送服務。在改進之前工(gōng)作基礎上，研究實際操作中(zhōng)增強有限訓練集的兩種方法：案例特征向量中(zhōng)振蕩特征權值和修正案例特征。此外(wài)，提出一(yī)種多分(fēn)類徑向基神經網絡，可從知(zhī)識庫中(zhōng)一(yī)次性匹配知(zhī)識并保證推送結果準确性。使用數控機床中(zhōng)導軌設計的訓練集訓練和測試該方法，實驗結果表明增強訓練集有效，本文提出的方法優于其他匹配方法。

關鍵詞組：産品設計；知(zhī)識推送系統；增強訓練集；多分(fēn)類神經網絡；知(zhī)識匹配

Web page classification based on heterogeneous features and a combination of multiple classifiers

Li Deng, Xin Du, Ji-zhong Shen

DOI: 10.1631/FITEE.1900240 Downloaded: 3090 Clicked: 5432 Cited: 0 Commented: 0(p.995-1004) <Full Text> <PPT> 1462

Chinese summary <28> 基于異構特征和組合分(fēn)類器的網頁分(fēn)類

鄧立，杜歆，沈繼忠
浙江大(dà)學信息與電子工(gōng)程學院，中(zhōng)國杭州市，310027

摘要：網頁特征是網頁分(fēn)類的關鍵，通過有區分(fēn)度的特征能有效對網頁分(fēn)類。網頁結構特征是對文本特征的有效補充。不同分(fēn)類器有不同特點，多分(fēn)類器組合可實現分(fēn)類器性能互補。提出一(yī)種基于異構特征和組合分(fēn)類器的網頁分(fēn)類算法。與計算HTML标記的頻(pín)率不同，本文采用樹(shù)狀分(fēn)布的HTML标簽表示網頁結構特征，以向量形式将異構文本和結構特征融合。通過計算一(yī)組樣本的分(fēn)類準确率，提出将分(fēn)類結果置信度作爲比較不同分(fēn)類器分(fēn)類結果的标準。基于置信度采用投票、比較大(dà)小(xiǎo)和直接輸出的決策策略，得到組合分(fēn)類器的分(fēn)類結果。實驗結果表明，在Amazon數據集、7-web-genres數據集和DMOZ數據集中(zhōng)，準确率分(fēn)别提高到94.2%、95.4%、95.7%。融合文本和結構特征的分(fēn)類方法比僅使用文本特征的方法更全面有效。同時多分(fēn)類器組合能夠提高網頁分(fēn)類準确率，高于同類網頁組合分(fēn)類算法。

關鍵詞組：網頁分(fēn)類；網頁特征；分(fēn)類器組合

Representation learning via a semi-supervised stacked distance autoencoder for image classification

Liang Hou, Xiao-yi Luo, Zi-yang Wang, Jun Liang

DOI: 10.1631/FITEE.1900116 Downloaded: 4333 Clicked: 5969 Cited: 0 Commented: 0(p.1005-1018) <Full Text> <PPT> 1590

Chinese summary <27> 半監督堆疊距離(lí)自動編碼器的表征學習在圖像分(fēn)類上的應用

侯亮，羅潇逸，汪子揚，梁軍
浙江大(dà)學控制科學與工(gōng)程學院，中(zhōng)國杭州市，310027

摘要：圖像分(fēn)類是深度學習的重要應用。在典型分(fēn)類任務中(zhōng)，分(fēn)類精度與通過深度學習方法提取的特征密切相關。自動編碼器是一(yī)種特殊神經網絡，常用于降維和特征提取。本文所提方法基于傳統的自動編碼器，将不同類别樣本之間的"距離(lí)"信息納入其中(zhōng)。該模型被稱爲半監督距離(lí)自動編碼器。首先以無監督方式對每一(yī)層進行預訓練。在随後的監督訓練中(zhōng)，将優化的參數設置爲初始值。爲獲得更好性能，使用堆疊式模型代替具有單一(yī)隐含層的傳統自動編碼器結構。開(kāi)展一(yī)系列實驗測試不同模型在幾個數據集上的性能，包括MNIST數據集、街景門牌号碼（SVHN）數據集、德國交通标志(zhì)識别基準（GTSRB）和CIFAR-10數據集。将所提半監督距離(lí)自動編碼器方法分(fēn)别與傳統自動編碼器、稀疏自動編碼器和監督自動編碼器比較，實驗結果證明該模型有效。

關鍵詞組：自動編碼器；圖像分(fēn)類；半監督學習；神經網絡

Multi-focus image fusion based on fully convolutional networks

Rui Guo, Xuan-jing Shen, Xiao-yu Dong, Xiao-li Zhang

DOI: 10.1631/FITEE.1900336 Downloaded: 3027 Clicked: 5137 Cited: 0 Commented: 0(p.1019-1033) <Full Text> <PPT> 1589

Chinese summary <23> 基于全卷積網絡的多焦距圖像融合算法

郭瑞^1,2，申铉京^1,2，董小(xiǎo)瑜^1,2，張小(xiǎo)利^1,2
¹吉林大(dà)學符号計算與知(zhī)識工(gōng)程教育部重點實驗室，中(zhōng)國長春市，130012
²吉林大(dà)學計算機科學與技術學院，中(zhōng)國長春市，130012

摘要：提出一(yī)種多焦距圖像融合方法，在該算法中(zhōng)構造用于焦點檢測的全卷積網絡（fully convolutional network for focus detection，FD-FCN）。爲獲得更精确的焦點檢測圖譜，在該網絡中(zhōng)添加跳層，從而在生(shēng)成圖譜過程中(zhōng)同時提供詳細和抽象的視覺信息。基于數據集CIFAR-10，爲該網絡構建一(yī)個新的訓練數據集。運用FD-FCN的圖像融合算法包含3個步驟：使用FD-FCN獲得焦點圖譜，通過對焦點圖譜進行形态學處理生(shēng)成決策圖，使用決策圖進行圖像融合。開(kāi)展了多組實驗，主客觀評估結果均表明該融合方法優于同類先進算法。

關鍵詞組：多焦距圖像融合；全卷積網絡；跳層；性能評估

MDLB: a metadata dynamic load balancing mechanism based on reinforcement learning

Zhao-qi Wu, Jin Wei, Fan Zhang, Wei Guo, Guang-wei Xie

DOI: 10.1631/FITEE.1900121 Downloaded: 4676 Clicked: 5500 Cited: 0 Commented: 0(p.1034-1046) <Full Text> <PPT> 1478

Chinese summary <28> MDLB：一(yī)種基于強化學習的元數據動态負載均衡機制

武兆琪¹，衛今^2,3，張帆¹，郭威¹，謝光偉^2,3
¹國家數字交換系統工(gōng)程技術研究中(zhōng)心，中(zhōng)國鄭州市，450002
²複旦大(dà)學計算機科學技術學院，中(zhōng)國上海市，200433
³複旦大(dà)學大(dà)數據研究院，中(zhōng)國上海市，200433

摘要：随着信息和數據量增長，面向對象的存儲系統已被廣泛應用到很多領域，包括Google文件系統、AmazonS3、Hadoop分(fēn)布式文件系統和Ceph。其中(zhōng)元數據負載均衡在提高整個系統輸入/輸出性能方面起着重要作用，元數據負載不平衡會導緻服務器出現嚴重的系統性能瓶頸問題。然而現有元數據負載平衡策略缺乏良好動态性和适用性，如基于子樹(shù)分(fēn)割或者哈希的負載策略。提出一(yī)種基于強化學習的動态負載平衡機制（MDLB）。采用Q_learning算法，所提基于強化學習機制由3個模塊組成，即策略選擇網絡、負載均衡網絡和參數更新網絡。實驗結果表明MDLB算法可根據元數據服務器的性能動态調節負載，在數據量驟變情況下(xià)仍具有很好适應性。

關鍵詞組：面向對象的存儲系統；元數據；動态負載均衡；強化學習；Q_learning

Cooperative channel assignment for VANETs based on multiagent reinforcement learning

Yun-peng Wang, Kun-xian Zheng, Da-xin Tian, Xu-ting Duan, Jian-shan Zhou

DOI: 10.1631/FITEE.1900308 Downloaded: 3767 Clicked: 5047 Cited: 0 Commented: 0(p.1047-1058) <Full Text> <PPT> 1532

Chinese summary <29> 基于多智能體(tǐ)強化學習的車(chē)載自組織網絡協作信道分(fēn)配

王雲鵬，鄭坤賢，田大(dà)新，段續庭，周建山
北(běi)京航空航天大(dà)學交通科學與工(gōng)程學院，大(dà)數據科學與腦機智能高精尖創新中(zhōng)心，中(zhōng)國北(běi)京市，100191

摘要：動态信道分(fēn)配（DCA）在擴展車(chē)載自組織網絡容量和緩解其擁塞方面起着關鍵作用。然而，在車(chē)-車(chē)直連通信場景下(xià)，信道分(fēn)配面臨大(dà)規模節點相互影響、缺乏集中(zhōng)式協調、全局網絡狀态信息未知(zhī)以及其他挑戰。爲解決該問題，提出一(yī)種基于多智能體(tǐ)強化學習（RL）的協作動态信道分(fēn)配（RL-CDCA）機制。具體(tǐ)而言，每個車(chē)輛節點都可借助2個互相協作的RL模型，從實時信道狀态信息中(zhōng)成功學習信道選擇和信道接入自适應退避的正确策略。此外(wài)，将神經網絡構造爲非線性Q函數逼近器，有助于将感測到的連續輸入值映射到混合策略輸出。多智能體(tǐ)RL-CDCA驅動節點共享本地獎勵并合并區域内其他節點各自的獎勵，以便它們能夠以分(fēn)布式協作方式優化各自策略。仿真結果表明，與4種現有機制相比，所提多智能體(tǐ)RL-CDCA算法即便在路網車(chē)輛高度密集的情況下(xià)仍能将單跳數據包傳輸延遲減少不小(xiǎo)于73.73％，将平均數據包遞送成功率提高不小(xiǎo)于12.66％，并更好地保證網絡資(zī)源分(fēn)配公平性。

關鍵詞組：車(chē)載自組織網絡；強化學習；動态信道分(fēn)配；多信道

A double-layered nonlinear model predictive control based control algorithm for local trajectory planning for automated trucks under uncertain road adhesion coefficient conditions

Hong-chao Wang, Wei-wei Zhang, Xun-cheng Wu, Hao-tian Cao, Qiao-ming Gao, Su-yun Luo

DOI: 10.1631/FITEE.1900185 Downloaded: 5906 Clicked: 5873 Cited: 0 Commented: 0(p.1059-1073) <Full Text> <PPT> 1610

Chinese summary <25> 不确定路面附着系數條件下(xià)一(yī)種基于雙層非線性模型預測控制的自動駕駛卡車(chē)軌迹規劃方法

王鴻超¹，張偉偉¹，吳訓成¹，曹昊天²，高巧明³，羅素雲¹
¹上海工(gōng)程技術大(dà)學機械與汽車(chē)工(gōng)程學院，中(zhōng)國上海市，201620
²湖南(nán)大(dà)學汽車(chē)車(chē)身先進設計制造國家重點實驗室，中(zhōng)國長沙市，410082
³廣西科技大(dà)學汽車(chē)與交通學院，中(zhōng)國柳州市，545006

摘要：提出一(yī)種雙層控制算法以規劃配備四輪輪毂電機的自動駕駛卡車(chē)的行駛軌迹。該控制算法主要由主層非線性模型預測控制（MLN-MPC）算法和次層非線性模型預測控制（SLN-MPC）算法組成，其中(zhōng)，MLN-MPC控制算法用于規劃合理的卡車(chē)行駛軌迹，SLN-MPC控制算法将車(chē)輪縱向滑移率限制在穩定區域，避免卡車(chē)在驅動過程中(zhōng)發生(shēng)過度打滑。總體(tǐ)而言，該控制算法爲一(yī)個閉環控制系統。在離(lí)線仿真環境下(xià)，通過AMESim、Simulink、dSPACE和TruckSim仿真軟件聯合仿真。仿真結果表明，本文所提算法能規劃一(yī)條合理的車(chē)輛避障行駛軌迹，在不确定路面附着系數條件下(xià)能将車(chē)輛縱向滑移率控制在合理範圍。此外(wài)，爲評估該算法在實際應用中(zhōng)的可行性，在聯合仿真系統中(zhōng)加入駕駛員(yuán)模型驗證該算法的穩定性與魯棒性。與傳統的基于PID控制算法相比，該算法具有更低的計算能耗。

關鍵詞組：自動駕駛卡車(chē)；軌迹規劃；非線性模型預測控制；縱向滑移率

Robust mismatched filtering algorithm for passive bistatic radar using worst-case performance optimization

Gang Chen, Jun Wang

DOI: 10.1631/FITEE.1900150 Downloaded: 3906 Clicked: 5925 Cited: 0 Commented: 0(p.1074-1084) <Full Text> <PPT> 1478

Chinese summary <27> 外(wài)輻射源雷達中(zhōng)基于最差性能最優的穩健失配濾波算法

陳剛，王俊
西安電子科技大(dà)學雷達信号處理國家重點實驗室，中(zhōng)國西安市，710071

摘要：外(wài)輻射源雷達利用可獲得的民用及商(shāng)用照射源探測目标。這些照射源信号并非爲雷達設計，信号結構中(zhōng)存在的時變特性使其模糊函數存在嚴重的距離(lí)模糊副峰。失配濾波技術能有效抑制副峰，可應用于外(wài)輻射源雷達。然而，當參考信号信噪比較低時，外(wài)輻射源雷達系統的副峰抑制性能急劇下(xià)降。爲解決該問題，提出一(yī)種基于最差性能最優的失配濾波算法。該算法考慮參考信号信噪比的影響，據此構建新的優化問題模型。通過求解該優化問題，可得低參考信号信噪比情況下(xià)的最優失配解。理論推導和仿真分(fēn)析說明所提算法可在較低參考信号信噪比情況下(xià)實現副峰抑制。實測數據進一(yī)步驗證了該方法的有效性。

關鍵詞組：外(wài)輻射源雷達；距離(lí)副峰；低信噪比；失配濾波；最差性能最優

Optimal two-impulse space interception with multiple constraints

Li Xie, Yi-qun Zhang, Jun-yan Xu

DOI: 10.1631/FITEE.1800763 Downloaded: 3053 Clicked: 4441 Cited: 0 Commented: 0(p.1085-1107) <Full Text> <PPT> 1431

Chinese summary <25> 多約束條件下(xià)的最優兩脈沖空間攔截

謝力¹，張奕群²，徐俊豔²
¹華北(běi)電力大(dà)學控制與計算機工(gōng)程學院新能源電力系統國家重點實驗室，中(zhōng)國北(běi)京市，102206
²北(běi)京電子工(gōng)程總體(tǐ)研究所，中(zhōng)國北(běi)京市，100854

摘要：本文研究多約束條件下(xià)的最優兩脈沖空間攔截問題。對空間攔截器的末端位置、脈沖和攔截時刻以及速度脈沖的分(fēn)量大(dà)小(xiǎo)施加多約束。通過變分(fēn)法将這些優化問題歸結爲多點邊值問題。爲使用拉格朗日乘子法，采用松弛變量法将所有不等式約束轉化爲等式約束。爲此提出一(yī)種新的動态松弛變量法，并建立一(yī)種間接優化方法。随後，用所提方法解決自由飛行彈道導彈的兩脈沖空間攔截問題。在高精度數值解基礎上，得到一(yī)些局部最優解的結論。具體(tǐ)來說，通過數值算例，證明了當存在時間和速度脈沖約束時，多約束攔截問題可能出現最優兩脈沖解；如果兩個脈沖時刻是自由的，那麽具有速度脈沖約束的兩脈沖空間攔截問題可能退化爲單脈沖情形。

關鍵詞組：空間攔截問題；變分(fēn)法；多約束；兩速度脈沖；多點邊值問題；局部最優解；動态松弛變量法

Chaotic dynamics of a fractional order glucose-insulin regulatory system

Karthikeyan Rajagopal, Atiyeh Bayani, Sajad Jafari, Anitha Karthikeyan, Iqtadar Hussain

DOI: 10.1631/FITEE.1900104 Downloaded: 4590 Clicked: 5299 Cited: 0 Commented: 0(p.1108-1118) <Full Text> <PPT> 1532

Chinese summary <25> 分(fēn)數階血糖-胰島素調節系統的混沌動力學

Karthikeyan RAJAGOPAL^1,2, Atiyeh BAYANI³, Sajad JAFARI^3,4, Anitha KARTHIKEYAN¹, Iqtadar HUSSAIN⁵
¹國防大(dà)學非線性動力學中(zhōng)心，埃塞俄比亞比紹夫圖，1041
²默克萊大(dà)學能源研究所，埃塞俄比亞默克萊，231
³阿米爾卡比爾理工(gōng)大(dà)學生(shēng)物(wù)醫學工(gōng)程系，伊朗德黑蘭，159163-4311
⁴孫德盛大(dà)學電氣與電子工(gōng)程學院非線性系統及應用研究組，越南(nán)胡志(zhì)明市，700010
⁵卡塔爾大(dà)學數理統計學系，卡塔爾多哈，2713

摘要：本文推導血糖-胰島素調節系統的分(fēn)數階模型。現有文獻已證明複雜(zá)系統的分(fēn)數階分(fēn)析能夠揭示系統有趣且未知(zhī)的特征。本文揭示血糖-胰島素系統在其分(fēn)數階形式下(xià)表現出多穩定性與反單調性。爲體(tǐ)現分(fēn)數階分(fēn)析的有效性，進行了所有數值模拟，包括平衡點穩定性、李雅普諾夫指數、分(fēn)叉圖等。詳細研究由未經調節的血糖-胰島素系統引起的各種生(shēng)物(wù)紊亂，這将有助于更好地理解調節系統。

關鍵詞組：糖尿病；混沌；分(fēn)叉；多穩定性；反單調性